模糊和不确定数据的主动和动态融合面临着诸如复杂性高，难以实现等关键挑战。为了解决挑战性问题，本文提出了一种基于概率图形模型的选择性增量数据融合方法。采用通用贝叶斯网络表示数据与融合结果之间的关系。它有选择地基于概率图形模型中的马尔可夫毯子，选择信息量最大且决策相关的数据。同时，我们提出了一种特殊的增量学习方法来更新融合模型以反映环境的时间变化。理论分析和实验结果均表明，与现有技术相比，该方法具有更高的精度和更低的时间复杂度。

模糊和不确定数据的主动和动态融合面临着诸如复杂性高，难以实现等关键挑战。 保证准确性等。为了解决挑战性的问题，本文采用选择性和增量数据融合方法提出了基于概率图形模型的方法。 采用通用贝叶斯网络来表示数据和融合结果。 它有选择地选择基于Markov的信息最丰富，决策最相关的数据进行融合概率图形模型中的毯子。 同时，我们提出了一种特殊的增量学习方法来更新融合模型以反映环境的时间变化。 理论分析和实验结果均证明了该建议。 与现有的最新方法相比，该方法具有更高的准确性和更低的时间复杂度。

基于概率图形模型的模糊和不确定数据的选择性和增量融合